能源研究者与创业者

为电力市场和能源资产建设决策系统

我的工作连接能源系统研究、欧洲电力市场实践,以及任能科技的系统建设。我与团队一起,把对能源和市场的理解转化为可执行、可验证的经营选择。

侯胜任肖像
研究训练TU Delft 博士
市场实践前欧洲电力市场量化交易员
决策系统创业者与实践者
公开研究清华电机系兼职研究员

我的路径

理解系统,参与市场,建设产品。

三段经历,逐步汇到同一个问题:怎样把对能源和市场的理解,转化为可执行、可验证的经营决策。

  1. 能源系统研究

    在代尔夫特的博士研究中,围绕强化学习、储能调度与优化方法,学习在物理约束下比较行动后果。

  2. 欧洲电力市场实践

    在市场研究和交易实践中,模型要面对变化的价格、市场规则与风险,判断也需要落实为行动。

  3. 任能科技的系统建设

    如今与团队建设能源模型和决策系统,把研究方法、市场规则和客户的经营任务连接起来。

读完整故事

当前工作

在任能科技,连接模型与经营决策

能源资产的经营需要同时理解系统状态、市场变化和行动约束。预测还要进入参与时段、电量、报价或调度的选择。

我与团队围绕这些任务建设能源模型、决策系统和工作流,让研究方法能够被使用、被检验,并通过执行反馈、风控和复盘持续改进。

研究详情

决策系统

从市场事实到可追踪行动

这是我当前工作的公开表达:决策 Agent 不应只是生成分析,而应帮助能源团队连接证据、约束、决策和复盘。

  1. 01

    规则

    市场机制、价格规则、报价约束、资产边界和运行限制。

  2. 02

    预测

    价格、不确定性、新能源出力、负荷、灵活性和场景分布。

  3. 03

    策略

    调度逻辑、参与选择、风险偏好和组合层面的优先级。

  4. 04

    执行

    人工确认的行动、运行回执、异常处理和可追踪状态。

  5. 05

    风控

    策略边界、异常检查、覆盖路径和失败模式意识。

  6. 06

    复盘

    事后学习、模型反馈、决策记录和可问责的持续改进。

代表工作

论文与写作

与能源系统、储能和决策方法相关的部分公开研究与长文写作。

论文

  • RL-ADN: A high-performance Deep Reinforcement Learning environment for optimal Energy Storage Systems dispatch in active distribution networks

    Energy and AI,2025。

  • Safe Imitation Learning-based Optimal Energy Storage Systems Dispatch in Distribution Networks

    arXiv,2024。

查看论文

联系

欢迎围绕能源科技、电力市场和 AI 决策系统进行公开交流。

如果你的工作涉及电力市场、储能、能源 AI、演讲或研究转化,邮件是最清晰的起点。

联系页面